Month: November 2020

Tällä viikolla tutustuimme näkyvyysanalyyseihin ja 3D-analyyseihin. Jo viime viikolla tehtävissä oli pienet maistiaiset tämän viikon aiheista, kun viinitilalta haluttiin muiden kriteerien lisäksi näkyvyys tekojärvelle. Lopuksi tarkasteltiin myös 3D-näkymää valitulta sijainnilta. Tällä viikolla syvennyimme näihin aiheisiin.

Tehtävässä yksi tuli leirintäalueelle pystyttää valoja ja vertailla niiden valaisemaa aluetta, mikäli valot sijoitetaan 3 metrin tai 10 metrin korkeuteen. Tässä tehtävässä käytettiin pistetietona valojen sijaintipisteitä ja maaston (erityisesti rakennusten) muotojen tunnistamiseen Digital elevation model -karttatasoa. Viewshed-työkalu tunnistaa digital elevation model -karttatason perusteella mahdolliset esteet, kuten rakennukset tai mäet ja tämän perusteella laskee alueet, joille on tässä tapauksessa esteetön valaisu. Tällaisella työkalulla voidaan tarkastella esim. näkyvyyttä tai kuuluvuutta (esim. radiomaston).

Tein viime viikkojen tapaan ensimmäisestä tehtävästä työvaihekaavion. Huomasin jälkeenpäin, että olin sijoittanut ensimmäisen työvaiheen, jossa lisättiin tietoja attribuuttitaulukkoon, hieman hassusti, eikä se johda uusiin karttatasoihin tai työvaiheisiin. Tämän kohdan visualisoisin työvaihekaavioon uudelleen, jos tekisin vastaavaa alusta alkaen. Ilman valaistuksen tietojen (korkeus, valon tulokulma ja säde) lisäystä attribuuttitaulukkoon ei tehtävää olisi voinut suorittaa loppuun (kuva 1.)

Kuva 1. Tehtävän 1 työvaihekaavio.

Kuvassa 2 on visualisoitu kartta, jossa keltaisella on kuvattu alueet, jotka on valaistu vähintään kahdella valolla, kun valot on sijoitettu 10m korkeuteen. Tuntiopettajamme ovat kehottaneet meitä visualisoimaan karttoja mieleisellämme tavalla ja tällä viikolla rohkaistuin poikkeamaan Esrin ohjeista ja tekemään mieleisen ja omasta mielestäni loogisemman visualisoinnin ohjeeseen verrattuna. Ohjeita seuraamalla on helppo visualisoida kartta juuri niin kuin se ohjeessa on kerrottu, mutta kartan visualisoiminen itse on antoisampaa. Kuvassa 2 on taustalla ilmakuva ja hieman läpinäkyvällä keltaisella alueet, jotka on valaistu. Pieni miinus ilmakuvan päälle visualisoimisessa läpinäkyvällä värillä on keltaisen värin pienet sävyerot pohjakartan värin mukaan. Esim. kartan keskellä olevan vesialueen päälle keltainen väri piirtyy eri väriseksi, kun maa-alueille.

Kuva 2. Tehtävän yksi karttavisualisointi valaistuista alueista, kun valot on sijoitettu 10m korkeuteen.

Tehtävässä 2 tuli tarkastella paraatin kulkemaa tietä (viivaa) suhteessa katselupaikkoihin (pisteisiin). Aluksi pisteiden perusteella piirrettiin construct sight lines -työkalun avulla viivat kohti paraatin kulkemaa tietä. Tämä työkalu ei huomioi vielä mahdollisia näköesteitä, kuten rakennuksia. Line of sight -työkalu ajettiin seuraavaksi construct sight lines viivojen perusteella ja näin saatiin binääristä (1 ja 0) tietoa alueista, jotka ovat tai eivät ole mahdollista nähdä ihmissilmin (esimerkiksi rakennukset muodostavat näköesteen). Lopuksi haluttiin tietoa katselupisteen ja näköalueiden välimatkoista, jotka saatiin selville add z information -työkalun avulla. Lopuksi valittiin select by attributes -työkalun avulla alueet, joita ei voi nähdä näköesteen vuoksi (TarIsVis = 0 eli target is not visible) ja jotka ovat liian kaukana (Length3d > 1100). Nämä viivat poistettiin (delete features) ja tulokseksi saatiin kuvan 3 malli.

Kuva 3. Sinisillä viivoilla visualisoitu alueet, jotka on mahdollista nähdä hyvällä säällä katselupisteiltä.

Lopuksi tehtiin sama tehtävä uudestaan model builderissä ja muutimme näkyvyyden enimmäisrajaksi 600m edellisen tehtävän 1100m sijaan. Näin saatiin tietoa alueista, jotka on mahdollista nähdä huonommalla säällä (kuva 4). Loogisestikin ajateltuna huonommalla säällä näkyvyys on huonompi, joten katselualue on suppeampi toisessa kuvassa.

Kuva 4. Sinisillä viivoilla visualisoitu alueet, jotka on mahdollista nähdä huonolla säällä katselupisteiltä.

Kolmannessa tehtävässä harjoittelimme perustoimintoja 3D-ympäristössä. Ensimmäisessä osassa tutkimme ArcGIS Onlinea. Tarkoitus oli tutkia tietyn korttelin/talon 3D-näkymää. Kuvassa 5 on kuvakaappaus ArcGIS Onlinesta.

Kuva 5. ArcGIS Onlinen 3D-näkymä

Toinen ja kolmas osa kolmannesta tehtävästä suoritettiin ArcGIS Pro:ssa. Opimme lisäämään liikennevalot katukuvaan. Tämän onnistumiseksi tuli ensin lisätä Add system style -toiminnolla lisää 3D-symboleita kokoelmaamme. Tämän jälkeen etsimme valikosta liikennevalot ja lisäsimme ne risteykseen. Vielä piti asetuksia käydä muuttamassa niin, että liikennevalot näytetään oikeassa mittasuhteessa (Display 3D Symbols In Real-World Units). Ennen tämän asetuksen muuttamista liikkennevalojen koko vaihtui zoomatessa näkymää (kuva 6 ja 7).

Kuva 6. Liikennevalot katukuvassa ArcGIS Pro:ssa

Kuva 7. Kun liikennevalot asetettiin näkymään realistisessa kokoluokassa, ei niiden koko muuttunut zoomattaessa.

Tehtävän seuraavassa osiossa harjoittelimme lisäämään varjot. Tämä onnistui properties -> illumination -> shadow polkua noudattamalla. Valikossa oli mahdollisuus muokata esimerkiksi auringon tulokulmaa (kuva 8).

Kuva 8. Tehtävässä opimme lisäämään varjot 3D-malliin.

Viimeisessä vaiheessa teimme oman 3D-visualisoinnin. Tehtävässä suunniteltiin sijaintia uudelle rakennukselle. Tehtävänannon mukaan mallista tuli ilmetä uuden rakennuksen korkeuden suhde ympäröiviin taloihin ja puihin, sekä mallin tuli olla mahdollisimman selkeä ja siinä tuli olla vain vähän yksityiskohtia. Lisäksi sen piti olla ns. pienessä mittakaavassa, läheltä kuvattu. Myös tässä tehtävässä poikkesin hieman tehtävänannon ohjeista esimerkiksi talon värin ja puiden mallin suhteen. Lopputulos on kuitenkin samanlainen, kuin mitä tehtävässä pyydettiin visualisoimaan. Tässä tehtävässä tehtiin samanlaisia työvaiheita, kun aiemmissa 3D-tehtävissä. Lisättiin puita, muutettiin niitä realistisiin mittasuhteisiin ja lisättiin varjoja (kuva 9).

Kuva 9. 3D-malli kolmannen tehtävän viimeisestä osasta. Tehtävässä tuli esittää uuden rakennuksen sijaintia ja kokoa suhteessa ympäröivään alueeseen.

Suurena oppina viime viikon 3D-kokeiluihin verrattuna opin liikkumaan hiiren avulla 3D-ympäristössä. Saimme hyvän vinkin tuntiopettajalta, jonka mukaan hiiren rullaa klikkaamalla ja hiirtä pyörittelemällä liikkuminen 3D-ympäristössä on vaivatonta. Myös tietokoneeni ja ArcGIS Pro olivat yhteistyöhaluisempia tällä viikolla, eikä hitautta ilmennyt juuri lainkaan.

Tällä viikolla tehtäviä oli useampia ja ne oli jaettu tehtävien sisällä useampiin osiin. Tehtävät olivat kuitenkin melko kevyitä ja helppoja tehdä viime viikkoiseen hydrologiseen mallinnukseen verrattuna. Kun tehtävät olivat hieman kevyempiä, oli tilaa myös omalle pohdinnalle enemmän. Jäin pohtimaan esimerkiksi sitä, miten karttatasoja luodaan. Esimerkiksi tehtävässä 1, jossa oli valaistuksen sijaintipisteitä. Voisi kuvitella, että tällainen pistemuotoinen karttataso on melko helppo luoda. Näin ollen voisi sijoitella eri skenaarioissa valoja uusiin sijainteihin ja katsoa valaisualueita uudelleen. Pohdin myös sitä, olisiko esimerkiksi valaistustehtävää ollut mahdollista tehdä päinvastaisessa järjestyksessä. Siis niin, että valitaan alueita, joita halutaan valaista vähintään kahdella valolla ja sen jälkeen ohjelma kertoo sijainnit ja korkeuden, johon valot tulisi asettaa.

Esrin valmiit tehtävät ovat olleet mukavia tehdä ja niiden avulla olen oppinut perusteita ArcGIS Pro:sta. Vielä on kuitenkin vaikea kuvitella, miten paikkatietoalan työtehtävissä toimitaan. Mistä aineistot tulevat, tehdäänkö niitä itse ja jos tehdään niin miten?

Tällä viikolla tutustuimme korkeusmalleihin ja hydrologiseen mallintamiseen. Suoritettavana oli kaksi tehtävää, joista ensimmäisessä suunniteltiin sopivaa sijaintia viinitilalle ja toisessa toteutettiin pienen kaupungin hydrologinen malli korkeusmallin avulla.

Pääsin viime viikolla hyvään vauhtiin vuokaavioiden kanssa ja päätin jatkaa kokeilua tällä viikolla. Viime viikolla tein vuokaaviot varsinaisten karttojen tekemisen jälkeen, mutta tällä viikolla päätin kokeilla työvaihekaavion tekemistä samalla kun työstin karttaa, kohta kohdalta. Vaikka työvaihekaavion työstäminen samaan aikaan kartan kanssa on melko aikaa vievää, auttaa se hahmottamaan jo työskentelyn lomassa mitä on jo tehnyt ja miten on päässyt kyseiseen pisteeseen. Kaikissa työvaihekaavioissani suorakulmioilla on visualisoitu tiettyä karttatasoa ja ovaalilla muodolla on ilmaistu työvaiheita tai käytettyjä työkaluja.

Ensimmäisen tehtävän ensimmäisessä osassa selvitettiin binääristä 1 tai 0 (sopiva tai epäsopiva) aluetta viinitilalle. Työvaihekaaviosta (kuva 1) selviää, että kriteereitä muodostivat korkeus meren pinnasta, rinnejyrkkyys ja rinteen avautumisilmansuunta. Binäärinen sopivan ja epäsopivan alueen selvittäminen oli tuttua jo aiemmista tehtävistä. Näin ollen myös raster calulator oli tullut tutuksi. Samoin rinteen ilmansuuntien (aspect) kanssa työskentelimme jo edellisellä viikolla. Uutena työkaluna tehtävässä esiteltiin slope työkalu, jolla voi helposti määrittää sopivan rinnejyrkkyyden. ArcGIS Pro on tähän asti vaikuttanut hyvin helpolta käyttää. Esimerkiksi työkalut on nimetty selvästi (esim. aspect ja slope) ja niiden löytäminen on tehty helpoksi geoprocessing välilehden hakutoiminnon avulla.

Kuva 1. Työvaihekaavio ensimmäisen tehtävän ensimmäisestä osasta.

Kuvassa 2 on visualisoitu kuvan 1 työvaiheiden tulos, josta selviää sopivat alueet viinitilalle.

Kuva 2. Sopivat alueet viinitilalle, kriteereinä korkeus, rinnejyrkkyys ja rinteen avautumisilmansuunta.

Ensimmäisen tehtävän toisessa osassa luotiin korkeuskäyriä sekä rinnevarjostusta ja käytettiin työkalua, jolla saatiin selvitettyä alueita, joilta on näkymä tietylle toiselle alueelle (kuva 3). Tässä tehtävässä haluttiin sijoittaa viinitila alueelle, joka sopii ensimmäisen tehtävän ensimmäisen osion mukaan viinitilan sijainniksi ja lisäksi haluttiin näkymä tekojärvelle (Murray reservoir). Työvaihekaaviossa Murray reservoir karttataso (oikeassa yläreunassa, kuva 3) ei johda mihinkään työvaiheisiin, sillä se visualisoitiin karttaan, mutta sitä ei varsinaisesti käytetty työvaiheisiin. Näin ollen sen olisi voinut jättää myös työvaihekaaviosta pois.

Kuva 3. Työvaihekaavio ensimmäisen tehtävän toisesta osasta.

Kuvassa 4 on karttaesitys kuvan 3 työvaihekaavion lopputuloksesta. Alkuperäiset sopivat alueet oli ilmaistu punaisella värillä ja alueet, joilta näkisi tekojärvelle, ilmaistiin keltaisella värillä. Kun värit asetettiin läpinäkyviksi, ilmestyi kartalle oranssilla värillä sopivat alueet, jotka täyttivät molemmat kriteerit. Tässä tehtävässä oli tarkoitus myös tarkastella 3D-esityksenä sopivaa sijaintia viinitilalle, kun se oli ensin visualisoitu perinteisin menetelmin. Jostain syystä en saanut kuitenkaan tätä ominaisuutta hyvin toimimaan ja ohjelma alkoi toimimaan hyvin hitaasti yrittäessäni selvittää asiaa. Tämä 3D ominaisuus vaikutti ohjeen mukaan pätevältä työkalulta tällaisessa tehtävässä, jossa halutaan tarkastella lopullista näkymää. Jos visualisoisin karttaa uudelleen, huolehtisin, että legendassa esitettäisiin myös pohjakartan väriskaala. Pohjakartta kuvaa tässä tehtävässä korkeuksia. Visualisointi voisi näyttää myös paremmalta, jos pohjakartan esittäisi läpinäkyvänä, jolloin alkuperäinen peruskartta näkyisi taustalla ja esimerkiksi teiden nimet erottuisivat kuvasta.

Kuva 4. Kartta ensimmäisen tehtävän toisesta osasta. Sopivat alueet, jotka täyttävät tehtävän molemmat kriteerit, on ilmaistu oranssilla (keltainen ja punainen päällekkäin läpinäkyvänä)

Toinen tehtävä osoitti kunnolla, mihin GIS ja erityisesti ArcGIS Pro kykenee. Tehtävässä ydinajatuksena oli selvittää pienen kaupungin hydrologista mallia ja näin ollen ennakoida tulvien ajoittumista esimerkiksi rankkasateiden yhteydessä. Työvaihekaaviostakin (kuva 5) huomaa, miten monimutkainen tehtävä oli. Työvaiheita oli esimerkiksi rinteiden, valumasuuntien ja veden kertymän (accumulation) selvittäminen. Lisäksi täytettiin (fill) luennollakin mainittuja kuoppia (sinks). Parhaiten työvaiheet selviävät kuvan 5 työvaihekaaviosta.

Kuva 5. Työvaihekaavio tehtävästä 2.

Tiesin jo etukäteen aiemmista tehtävistä, että ArcGIS Pro voi välillä oikutella pilkkujen ja pisteiden kanssa. Välillä ArcGIS Pro haluaa pilkun ja välillä pisteen desimaaleja ilmaisemaan. Con työkalua käyttäessäni ja virheellisiä arvoja työkalulla karsiessani ei kuitenkaan tuntunut kumpikaan onnistuvan. Lopulta päädyin ohjeesta poiketen käyttämään con työkalua ensin karsimaan virtaaman ylärajan, jolloin desimaaleja ei tarvittu. Con työkalu toimi tässä toiminnossa oikein hyvin, joten jatkoin alarajan (0,02m/s) työstämistä. Lopulta kokeilin syöttää ensimmäiseen kenttään pisteen desimaalia ilmaisemaan ja toiseen kenttään pilkun, jolloin sain työkalun toimimaan (kuva 6).

Kuva 6. Kuvakaappaus ArcGIS pron con työkalusta ja sekavuudesta pilkkujen ja pisteiden välillä

Kuvassa 7 on visualisoituna useiden työvaiheiden jälkeen kartta, jossa on esitetty sekunteina aika, jonka vesi vaatii kulkeakseen alueen osista purkautumispisteeseen. Tummimmalla on piirtynyt alueet, joilta vesi kulkeutuu nopeimmin purkautumispisteelle.

Kuva 7. Tehtävän 2 kartta visualisoituna. Arvot mustasta valkoiseen ilmaisevat aikaa sekunteina veden valumiseen purkautumispisteeseen (punainen piste).

Tehtävä ei päättynyt kartan laatimiseen, vaan tehtävä jatkui graafin visualisoimisella. Kuvassa 8 on esitetty diagrammina vesimassan kulkeutuminen ajan yksikkönä purkautumispisteelle rankkasateen jälkeen. Myönnettäköön, että en aivan täysin sisäistänyt vielä kaikkia vaiheita, joita suoritin graafin laatimiseksi, mutta on kuitenkin hienoa huomata, että paikkatieto-ohjelmilla voi tehdä näin monimutkaisia töitä. Vaikka rankkasateiden voimakkuuden koko saattaa vaihdella, saa graafista yleispätevää tietoa tulvahuipusta, joka sijoittuu tutkimusalueella 15 000 sekunnin eli noin neljän tunnin kohdalle sateen päättymisestä.

Kuva 8. Graafi veden valumisesta purkautumispisteelle kartan alueen osista.

Tällä viikolla jatkoimme siitä, mihin viime viikolla jäimme rasteriaineistojen kanssa. Jatkoimme tehtävää, jossa selvitettiin sopivaa elinympäristöä tietylle lintulajille. Muutimme aineistoja binary muotoon, jossa 1 vastaa sopivaa elinympäristöä tietyin kriteerein ja 0 epäsopivaa aluetta. Kriteereitä olivat rinnesuuntaus, järven läheisyys, rakennettu ympäristö ja latvuspeitto. Tämän jälkeen kerroimme raster calculatorissa tekijät keskenään (tässä tehtävässä: “%CanopyTrans%” * “%AspectTrans%” * “%LakeTrans%” * “%DevelopedTrans%”), josta saimme tulokseksi kartan, jolle piirtyi soveltuvat elinympäristöt lajille. Käytimme hyväksemme valmista kaavaa, joka oli rakennettu ModelBuilderiin. Näin ollen työvaiheita ei tarvinnut erikseen tehdä, vaan ArcGIS ajoi mallin kokonaisuudessaan läpi ja saimme visualisoidun kartan tulokseksi.

Kuva 1. Alueet, joilla lintulajille on suotuisat elinympäristöt

Tehtävä ei päättynyt tähän, vaan seuraavassa vaiheessa tuli vaihtaa latvuspeittävyyskriteeriä suppeammaksi. Alkuperäisen 20%-60% latvuspeittävyydestä vaihdoimme kriteerin 30%-60% modelbuilderissa reclassify työkalulla, joka oli assosioitu latvuspeittävyyden kanssa yhteen. Ajoimme jälleen mallin ja tulos on esitetty kuvassa 2. Kuvasta voi huomata, että kriteerin muuttaminen kymmenellä prosentilla vaikuttaa melko paljon lopputulokseen. Toisin sanoen suuri osa edellisen kartan sopivista elinympäristöistä oli latvuspeittävyydellä luokkaa 20%-30%.

Kuva 2. Punaisella alueet, joiden latvuspeittävyys on 20-30%.

Lopuksi testasimme vielä model erroria korvaamalla elevation yksikön model builderissa. Elevation korvattiin contents valikosta löytyvällä DEM_error yksiköllä. Tämän jälkeen malli ajettiin ja muokkasimme geoprocessing valikossa vielä käskyn muotoon (“Error_Surface” – “SuitabilitySurface”) != 0, jolloin saimme visualisoitua erotuksen suitability ja sensitivity kerrosten välille. Toisin sanoen tällä saimme tietoa siitä, miten herkkä malli on reagoimaan muuttujiin. Tuloksen mukaan sopivat elinympäristöt kaventuivat, mutta pääasialliset alueet sijaitsevat kuitenkin samoilla suunnilla.

Kuva 3. Erroranalyysin tulos

Toisessa tehtävässä jatkoimme saman aihepiirin ympärillä. Sen sijaan, että olisimme käyttänyt binäärisiä 0 ja 1 arvoja (sopiva ja epäsopiva), käytimme tässä tehtävässä painotettuja (weighted) arvoja kriteereille. Muutimme reclassify ja rescale by function työkalujen avulla kriteerit arvoiksi 1-10, jossa 1 kuvaa huonointa elinympäristöä tietyllä kriteerillä ja 10 parasta elinympäristöä. Esimerkiksi latvuspeitossa halusimme visualisoida parhainta elinympäristöä alueelle, jolla latvuspeitto on lähellä 45%. Tästä tehtävästä ei tullut vielä valmista karttaa tulokseksi, joten visualisoin draw.io sivustolla työvaihekaavion tehtävästä (kuva 4). Tämä todellakin helpotti ymmärtämään, mitä tehtävässä olimme tehneet. Vaikka työvaihekaavion laatimisen aloittaminen tuntui ylimääräiseltä ja raskaaltakin, uskon, että käytettyyn aikaan nähden sisäistin työvaihekaavion avulla tehtävän paremmin kuin ohjetta yksinään lukemalla.

Kuva 4. Työvaihekaavio tehtävästä 2.

Alla kuvaesitys erillisistä kartoista, joita tehtävästä 2 saimme (aspect, developed areas, canopy, lake) . Seuraavassa tehtävässä tulemme yhdistämään nämä kartat keskenään.

Kuva 5. Kriteeri liukuvana esityksenä visualisoituna kartalla: rinnesuuntaus

Kuva 6. Kriteeri liukuvana esityksenä visualisoituna kartalla: rakennetut alueet

Kuva 7. Kriteeri liukuvana esityksenä visualisoituna kartalla: latvuspeitto

Kuva 8. Kriteeri liukuvana esityksenä visualisoituna kartalla: järven läheisyys

Tämän viikon viimeisessä tehtävässä siis yhdistimme edellisen tehtävän kartat painotetuilla arvoilla. Kun pääsin työvaihekaavion kanssa vauhtiin jo edellisessä tehtävässä, jatkoin sen täydentämistä tässä tehtävässä. Kuvassa 9 on esitetty nämä työvaiheet, jossa kukin kriteeri sai painotetun arvon, joiden avulla visualisoitiin kartta lintulajille sopivimmista elinympäristöistä.

Kuva 9. Työvaihekaavio tehtävästä 2 ja 3 yhdistettynä

Kuvassa 10 on esitetty viime viikon ja tämän viikon useamman tehtävän tulos, jossa kuvataan lintulajille sopivimpia elinympäristöjä. Vihreimmät alueet ovat sopivimpia ja punaisimmat epäsopivimpia alueita. Jos vielä viime viikolla tuntui siltä, että en aivan täysin tiennyt mitä teimme ArcGIS:ssä, niin tämän viikon tehtävät onneksi selkeyttivät asioita ja työvaiheita.

Kuva 10. Painotetuilla keskiarvoilla laskettuna lintulajille sopivimmat elinympäristöt

Tällainen työskentely paikkatieto-ohjelmalla tuntui hyvin konkreettiselta ja realistiselta. Voisin kuvitella, että tällaisilla työvaiheilla voisi selvitellä hyvinkin monenlaisiin ongelmiin ratkaisuja. Harvoin kriteerien täyttyminen vaatii binääristä kyllä/ei vastausta, vaan ns. harmaita alueita on paljon. Tällaisilla painotetulla arvoilla ja liukuvalla 1-10 skaalalla työskentely on luultavasti usein hyödyllisempää. Tosin myös binäärisiä 0 ja 1 arvoja vaativia työtehtäviä on varmasti paljon ja tärkeintä lienee olevan tunnistaa missä tilanteissa tulee käyttää binäärisiä, milloin liukuvia ja milloin painotettuja arvoja paikkatietotyöskentelyssä.

Tällä viikolla tutustuimme rasteriaineistoihin, muokkauksiin ja analyyseihin. Tehtävistä ensimmäisessä tehtiin kahden rasterikartan perusteella uusi karttataso, jossa vertailtiin kasvillisuusmuutosta tietyllä alueella vuosien 2013 ja 2015 välillä. Aluksi loimme NDVI-työkalun avulla molemmille vuosille uudet karttatasot, jotka kuvastavat kasvillisuuden määrää alueella. Tämän jälkeen teimme ArcGIS Pro:ssa vähennyslaskun kyseisten vuosien karttatasoille, joten saimme tietää erotuksen kasvillisuuden määrässä vuosien välillä. Lopuksi vielä muutimme asetuksia siten, että kasvillisuuden määrän kasvu ja väheneminen visualisoitiin samalla värillä (reclassify), jolloin lopputuloksena saimme kartan, joka kuvastaa muutosta kasvillisuudessa vuosien 2013 ja 2015 välillä (kuva 1). Tällaisella työkalulla on myös mahdollista kuvata niin ikään kasvillisuuden vähenemistä tai lisääntymistä muuttamalla asetuksia haluamallaan tavalla. Kuitenkaan kovin yksityiskohtaista tietoa kasvillisuuden määrän vaihtelevuudesta ei ymmärtääkseni tällaisella työkalulla saa. Esimerkiksi kasvien biomassan laskemiseen vaadittaisiin lisää työvaiheita, mutta tiettävästi sekin onnistuu paikkatieto-ohjelmistoilla.

Kuva 1. Kasvillisuuden muutos vuosien 2013 ja 2015 välillä osassa Kalifornian rannikkoa.

Ensimmäisen tehtävän toisessa osassa tarkoituksena oli visualisoida sama kartta, mutta työvaiheet olivat erilaiset samaiseen lopputulokseen päästäkseen (kuva 2). Loimme toimintoketjun ArcGIS:n Function editorissa, tallensimme ketjun ja lopuksi ajoimme toiminnon, jolloin lopputuloksena saimme täysin samanlaisen kartan, kun tehtävän ensimmäisessä osassa. Erona oli työaika, joka jälkimmäisellä työtavalla oli huomattavasti lyhyempi. Tällaista toimintoa voisi käyttää ainakin silloin, jos täytyy tehdä useita karttoja samoilla työvaiheilla.

Kuva 2. Kuvakaappaus ArcGIS:iin luomastamme toimintoketjusta

Tehtävä kaksi oli kirjallinen ja se antoi taustatietoa tehtäviin 3 ja 4, jotka liittyivät toinen toisiinsa. Tehtävässä kolme johdettiin lähdeaineistoja sellaiseen muotoon, että niitä olisi mahdollista käyttää tehtävässä neljä. Tehtävässä muun muassa tarkastettiin solukoko ja projektio, jotka vastasivat tässä tehtävässä toisiaan jo valmiiksi. Lisäksi käytettiin kartta-algebraa ja euclidean distance työkalua tehdäksemme muutoksia nominaali (epäjatkuvan) datan ja jatkuvan datan välillä. Kuten edellisessäkin tehtävässä, myös tässä tehtävässä käytimme toimintoketjua, joka lopuksi ajettiin (run) ja lopputulokseksi saatiin kuva 3.

Kuva 3. Kartta tehtävästä 3

Tehtävässä 4 jatkoimme siis siitä mihin tehtävässä 3 jäimme. Tarkoituksena oli selvittää tietyn lintulajin tyypillisiä elinympäristöjä kenttätöitä varten. Tarkoitus oli tunnistaa alueita, jotka ovat kaukana rakennetusta ympäristöstä, 20-60% latvuspeiton metsissä, alle 2 mailin päässä järvestä, sekä koillisrinteillä. Tehtävässä oleellista oli muuttaa lähtöaineiston jatkuva (continuous) data muotoon 1 tai 0, jossa 1 vastaa sopivaa elinympäristöä ja 0 epäsopivaa elinympäristöä. Tähän käytimme jälleen reclassify ja kartta-algebra-työkaluja. Lopputulos on esitetty kuvassa 4.

Kuva 4. Tietyn lintulajin tyypillisiä elinympäristöjä.

Kartassa on läpinäkyvinä tasoina päällekkäin esitettynä lintulajin tyypillisiä elinympäristöjä. Mikäli karttatasot olisi vielä leikattu vastaamaan toisiaan niin, että kaikki kriteerit täyttyvät, olisi saatu tulokseksi selkeämpi esitys. Toisaalta tällaisenaan saa hieman enemmän tietoa vaikeammin tulkittavassa muodossa. Kun kaikki kriteerit on kartalla esitetty, voi karttaa tarkastella laajemmin ja pohtia voisiko laji elää myös sellaisilla alueilla, millä vaikkapa kolme neljästä kriteeristä täyttyy.